yrlu/irl-imitation
این پروژه یک پیاده‌سازی از الگوریتم‌های Inverse Reinforcement Learning (IRL) به زبان Python و با استفاده از کتابخانه Tensorflow است.
کاربرد:
این الگوریتم‌ها برای یادگیری اهداف یا پاداش‌های پنهان یک عامل (agent) از طریق مشاهده رفتارش استفاده می‌شوند. به عبارت دیگر، به جای اینکه مستقیماً یک سیاست (policy) یاد بگیریم، سعی می‌کنیم تابع پاداش (reward function) که پشت رفتار نمونه‌ها قرار دارد را بازسازی کنیم.
در چه شرایطی بهتره استفاده شود؟
وقتی داده‌های رفتاری از یک عامل متخصص دارید (مثل رانندگی، حرکت ربات، تصمیم‌گیری بالینی) و می‌خواهید بدون دانستن دقیق قوانین بازی یا محیط، بتوانید رفتار مشابهی ایجاد کنید. این روش در موقعیت‌هایی که تعریف دستی تابع پاداش دشوار است، بسیار مفید است.
چند مثال از موارد استفاده:
- آموزش ربات‌های حرکتی با مشاهده حرکات انسان ️
- شبیه‌سازی رفتار راننده در خودروهای خودران
- یادگیری استراتژی‌های پزشکی از داده‌های درمان واقعی
- بازسازی هدف کاربر در تعامل با رابط کاربری برای شخصی‌سازی ️
- ##InverseReinforcementLearning
- ##IRL
- ##MaxEnt
- ##DeepMaxEnt
- ##LPIRL
- ##ImitationLearning
- ##Tensorflow
- ##Python
- ##ReinforcementLearning
- ##AI